Zum Hauptinhalt wechseln

Innovation

18. Juli 2024

 

Im Algorithmus: Wie Gen-KI und Graphentechnologie gegen Kartenhaie vorgehen

Ein Data Scientist von Mastercards AI Garage enthüllt, was sich unter der Haube der neuesten Bemühungen des Unternehmens zur Erkennung kompromittierter Karten verbirgt.

Zahlen auf einem Bildschirm mit einer Überlagerung von Linien, die sie verbinden, um die Betrugserkennung mit KI zu veranschaulichen.

Elyse Cuttler

Direktor, Global Communications, Mastercard

Online-Betrug ist ein großes Geschäft, und diejenigen, die sich daran beteiligen, tragen viele Hüte: Hacker, Marketer, Verkäufer, sogar Kundenservice-Spezialist.

Mit Hilfe von Spyware, Malware und anderen Praktiken wie Karten-Skimming stehlen Betrüger Millionen von Zahlungskartennummern und verkaufen diese Daten auf illegalen Webseiten weiter. Sie bewerben ihre Beute sogar mit teilweise offengelegten Kartennummern – gerade genug Informationen, um potenzielle Kunden zu verführen, aber nicht genug, um die Karten zu identifizieren und zukünftigen Betrug zu verhindern.

Bis jetzt. Durch eine Kombination aus generativer KI, die sich selbst darauf trainiert, neue Inhalte auf Basis großer Datensätze zu erstellen, und Graphentechnologie, die Beziehungen und Muster zwischen Datenpunkten erkennen kann, können Mastercard-Datenwissenschaftler diese kompromittierten Karten nun mit doppelter Erkennungsrate aufdecken, bevor sie verwendet werden.

Yatin Katyal ist Teil des Teams bei Mastercards AI Garage, das den Algorithmus entwickelt hat. Diese Data Scientists, die hauptsächlich in Gurgaon, Indien, ansässig sind, entwickeln Cyber- und Intelligenzlösungen, wenden ihre KI-Expertise auf Herausforderungen sowohl innerhalb des Unternehmens als auch bei Kunden an und betreiben patentbringende Forschung in Bereichen wie sequentiellen Daten, Graphenmodellierung und synthetischer Datenmodellierung.

Die Mastercard Newsroom bat Katyal kürzlich um einen Überblick unter der Haube darüber, wie die AI Garage die Herausforderung angegangen ist und wie sie neue Technologien zur Bekämpfung von Betrug einsetzt. "Das Beste ist, wenn dein Algorithmus endlich zu funktionieren beginnt", sagt er. "Für mich ist es eher eine Kunst als eine Methode, bis man es gelöst hat."

Mastercard verwendet seit Jahren künstliche Intelligenz in seinen Cybersicherheitslösungen. Wie nutzen wir KI auf neue Weise, um kompromittierte Karten besser zu identifizieren?

Katyal: Wir arbeiten eng mit unserem Cyber Secure Team zusammen, das Banken weltweit dabei unterstützt, Cyber-Sicherheitslücken proaktiv zu identifizieren und potenzielle Datenpannen zu erkennen, um einen Algorithmus zu entwickeln, der weitere von Mastercard kompromittierte Karten auf illegalen Webseiten identifiziert. Die größte Herausforderung war, dass nur ein Teil der Kartennummern identifiziert werden konnte. Das liegt daran, dass Betrüger einen Teil der 16-stelligen Kartenausweise auf illegalen Webseiten zum Verkauf an andere Kriminelle platzieren. Mit nur teilweisen Informationen – zum Beispiel den letzten vier Ziffern – können diese Daten mit einer oder mehreren Karten verknüpft werden, was das Problem sehr schwer zu lösen macht.

Wir haben außerdem festgestellt, dass diese potenziell geleakten Karten auf illegalen Webseiten – wenig überraschend – in einem höheren Anteil der sogenannten BIN-Angriffe – bei denen Betrüger automatisierte Software einsetzen, um verschiedene Kombinationen von Kreditkartennummern zu erraten und zu testen, beginnend mit der Bankidentifikationsnummer – sowie in Betrugsfällen. Die Muster ändern sich jedoch ständig, da sich die Methoden der Angreifer schnell weiterentwickeln. Dies führte dazu, dass wir die Nutzung von Graphdatenbank-Technologie in Betracht ziehen, die sich auf die Beziehungen zwischen Datenpunkten konzentriert und alle potenziell riskanten oder durchgesickerten Karten im Netzwerk verfolgen kann, um unseren Vorhersagealgorithmus zu verbessern.

Wie funktioniert das also?

Katyal: Wir nutzen kürzlich gemeldete Betrugstransaktionen, bekannte oder vermutete kompromittierte Händler sowie andere Signale wie das Testen von vorautorisierten Transaktionen, um aktuelle Aktivitäten zu scannen, die betrügerisch sein könnten. Wir scannen illegale Webseiten nicht direkt nach kompromittierten Karten – wir arbeiten mit Partnern und Dritten zusammen, um die Daten zu erhalten, die wir benötigen, um betrügerische Aktivitäten zu verfolgen.

Mit generativer KI, fortschrittlichen Algorithmen und Graphentechnologie können wir die vollen 16-stelligen Kartennummern dieser kompromittierten Karten vorhersagen und die Wahrscheinlichkeit, dass diese Karten von Kriminellen genutzt werden. Diese Informationen ermöglichen es Banken, verdächtige Karten viel schneller zu sperren, als wir bisher für möglich gehalten hatten. Der Algorithmus analysiert Karten und Händler und erzeugt Verbindungen zwischen ihnen basierend auf dem damit verbundenen Risiko. Diese Verbindungen werden bei jeder Iteration neuer Daten kontinuierlich erstellt oder entfernt. Nach diesem Vorgang erstellt der Algorithmus eine Liste potenziell gefährdeter Karten auf illegalen Webseiten und zeigt die Wahrscheinlichkeit an, dass solche Karten von Kriminellen verwendet werden.

Welchen Vorteil verschafft die Graphentechnologie Mastercard und seinen Kunden?

Katyal: Wir nutzen bereits KI, um Kartenbetrug zu erkennen und zu stoppen. Doch durch den Einsatz generativer KI ermöglicht uns diese Technologie, zukünftige Transaktionen besser gegen aufkommende Bedrohungen zu schützen, als es mit traditionellen statistischen oder maschinellen Lernlösungen möglich war. Die Graphentechnologie hilft, Aktivitäten im Mastercard-Netzwerk zu verfolgen und macht es effizienter.

Zum Beispiel kann eine Karte auf 200 Karten übergeordnet werden, mit riskanten Verbindungen zu einem Händler, bei dem 30 der kompromittierten Karten verwendet wurden. Wir können Banken schneller und genauer alarmieren. Die Karten können dann gesperrt und neu ausgegeben werden. Versuche von Transaktionen auf den kompromittierten Karten können kontinuierlich überwacht werden, um Betrug zu verhindern und die Cybersicherheit zu verbessern.

Wir haben die Technologie bereits in Cyber Secure integriert, sodass Emittenten und Händler Cyberrisiken in ihren Systemen besser verstehen und bewerten können, um potenzielle Sicherheitsverletzungen zu verhindern.